msb-public
/
ML-For-Beginners
mirror of https://github.com/microsoft/ML-For-Beginners.git
1
0
Code Issues Projects Releases Wiki Activity
You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
Branches Tags
${ item.name }
Create tag ${ searchTerm }
Create branch ${ searchTerm }
from 'main'
${ noResults }
ML-For-Beginners/translations/no/7-TimeSeries/README.md

2.7 KiB
Raw Permalink Blame History Escape

Introduksjon til tidsserieprognoser

Hva er tidsserieprognoser? Det handler om å forutsi fremtidige hendelser ved å analysere trender fra fortiden.

Regionalt tema: globalt strømforbruk ✨

I disse to leksjonene vil du bli introdusert til tidsserieprognoser, et noe mindre kjent område innen maskinlæring som likevel er svært verdifullt for industri- og forretningsapplikasjoner, blant andre felt. Selv om nevrale nettverk kan brukes for å forbedre nytten av disse modellene, vil vi studere dem i konteksten av klassisk maskinlæring, ettersom modellene hjelper med å forutsi fremtidig ytelse basert på fortiden.

Vårt regionale fokus er elektrisk forbruk i verden, et interessant datasett for å lære om å forutsi fremtidig strømforbruk basert på mønstre fra tidligere belastning. Du kan se hvordan denne typen prognoser kan være svært nyttig i en forretningssammenheng.

elektrisk nett

Foto av Peddi Sai hrithik av elektriske tårn på en vei i Rajasthan på Unsplash

Leksjoner

  1. Introduksjon til tidsserieprognoser
  2. Bygge ARIMA-modeller for tidsserier
  3. Bygge Support Vector Regressor for tidsserieprognoser

Krediteringer

"Introduksjon til tidsserieprognoser" ble skrevet med ⚡️ av Francesca Lazzeri og Jen Looper. Notatbøkene dukket først opp online i Azure "Deep Learning For Time Series"-repoet opprinnelig skrevet av Francesca Lazzeri. SVR-leksjonen ble skrevet av Anirban Mukherjee

Ansvarsfraskrivelse:
Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi tilstreber nøyaktighet, vennligst vær oppmerksom på at automatiserte oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på sitt opprinnelige språk bør betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.